159 artículos
La informática de la salud une la tecnología de la información con la práctica médica para mejorar cómo gestionamos y analizamos los datos de pacientes. En este campo, los expertos diseñan sistemas que facilitan el acceso a historiales clínicos, optimizan la toma de decisiones y aceleran la investigación, todo con el objetivo final de brindar una atención más segura y personalizada.
En Gist.Science, nos enfocamos en el contenido fresco que llega desde medRxiv, la principal plataforma de prepublicaciones para ciencias médicas. Procesamos cada nuevo preprint en esta categoría para ofrecerte resúmenes técnicos detallados junto con explicaciones en lenguaje sencillo, asegurando que los hallazgos más recientes sean comprensibles para todos. A continuación, encontrarás los últimos artículos publicados en este ámbito.
Este estudio presenta un marco de ensayo clínico oncológico sintético que integra respuestas radiográficas, ADN tumoral circulante, seguridad y supervivencia para generar datos coherentes y biológicamente plausibles que apoyan la toma de decisiones en la ciencia de datos traslacional.
Este estudio demuestra que sustituir las radiografías de tórax por sus informes escritos reduce la precisión predictiva de la mortalidad y altera la priorización de riesgos, lo que indica que los resúmenes clínicos no capturan exhaustivamente la información pronóstica presente en las imágenes crudas.
Este análisis sistemático y scientométrico revela que la investigación sobre inteligencia artificial para radiografías de tórax está dominada por países de altos ingresos, lo que genera disparidades significativas en la autoría y los datos de entrenamiento que podrían exacerbar las inequidades sanitarias globales.
Esta encuesta internacional a gran escala revela que, aunque la mayoría de los revisores de revistas médicas están familiarizados con los chatbots de IA, su uso en la revisión por pares sigue siendo limitado debido a preocupaciones éticas y de integridad, a pesar de existir un claro interés en recibir formación al respecto.
Este estudio presenta un modelo de ensamble bayesiano adaptativo a la prevalencia que, mediante aumento de datos con autoencoders variacionales y cuantificación de incertidumbre, logra una predicción de mortalidad perioperatoria con cero falsos positivos en la validación y una sensibilidad clínicamente significativa en la auditoría global, superando las limitaciones de los sistemas actuales en entornos con recursos escasos.
Este estudio presenta MedResearchBench, una evaluación empírica que demuestra que la integridad de las citas es el factor determinante para el éxito de los sistemas de IA médica y que la verificación programática combinada con agentes múltiples es esencial para superar las limitaciones de las evaluaciones subjetivas y garantizar la fiabilidad académica.
El estudio concluye que, para perfilar la carga psicosocial en textos de apoyo entre pacientes con cáncer, el aprendizaje multitarea centrado exclusivamente en la carga compuesta es más efectivo que incluir tareas auxiliares, y que la supervisión con etiquetas duras supera a la basada en distribuciones de modelos de lenguaje grandes no calibrados.
Este estudio presenta un flujo de trabajo reproducible en Python que simula e integra datos clínicos, de biomarcadores y farmacocinéticos de un ensayo oncológico temprano para generar conjuntos de datos analíticos, visualizaciones y modelos predictivos que apoyan la toma de decisiones exploratoria.
Este estudio desarrolló y evaluó temporalmente modelos de aprendizaje automático multimodales que integran datos estructurados y notas clínicas para predecir con alta precisión la exposición a opioides en pacientes hospitalizados, lo que podría mejorar la administración de estos fármacos mediante la identificación temprana de pacientes de alto riesgo.
Este estudio demuestra que es posible clasificar las cuatro fases del ciclo menstrual con una precisión del 67,6% utilizando únicamente síntomas autoinformados mediante un marco de modelado híbrido, lo que valida el uso de la dinámica de síntomas como un biomarcador digital escalable y sin dispositivos para la monitorización de la salud reproductiva.